Ingeniería de Características

Name: Ingeniería de Características
Price: 39 USD
Availability: InStock

56 lecciones · 21 h 16 min en total · Publicado el 28 de julio de 2026

Tus modelos no mejoran cambiando de algoritmo, mejoran cambiando los datos que les das. Aprende a codificar variables categóricas, escalar, imputar faltantes y crear características derivadas — todo dentro de Pipelines y ColumnTransformer de scikit-learn, sin fugas de datos. Cierra construyendo un pipeline de features completo, reproducible y listo para producción.

scikit-learn feature-engineering pipelines machine-learning python

Al terminar sabrás…

Al terminar sabrás construir un pipeline de preprocesamiento completo con Pipeline y ColumnTransformer que se ajusta solo con datos de entrenamiento y se aplica sin fugas al conjunto de prueba.
Al terminar sabrás elegir con criterio la codificación, el escalado y la imputación adecuados según el tipo de variable, su cardinalidad y el modelo que vas a usar.
Al terminar sabrás crear características derivadas (interacciones, agregaciones, fechas, texto) y comprobar con validación cruzada si realmente mejoran el modelo.
Al terminar sabrás detectar y evitar la fuga de datos (data leakage), el error más costoso y más común al preparar características.
Al terminar sabrás empaquetar y guardar tu pipeline entrenado para reutilizarlo sobre datos nuevos con una sola llamada.

Lo que aprenderás

Diagnosticar qué le falta a tus datos antes de entrenar: tipos de variable, faltantes, escalas y cardinalidad

Codificar variables categóricas (one-hot, ordinal, target encoding) eligiendo la técnica correcta según el modelo y la cardinalidad

Escalar y transformar variables numéricas (StandardScaler, MinMax, RobustScaler, log, Yeo-Johnson) y saber cuándo cada una importa

Imputar valores faltantes con estrategias simples y avanzadas (SimpleImputer, KNNImputer, indicadores de faltante) sin inventar información

Crear características derivadas útiles: interacciones, agregaciones, fechas, texto y binning

Encapsular todo en Pipeline y ColumnTransformer para evitar fugas de datos y hacer el preprocesamiento reproducible

Seleccionar características y medir si una feature nueva realmente aporta

Construir y persistir un pipeline de features de extremo a extremo sobre un caso realista

Contenido del curso

56

16 módulos· 21 h 16 min en total8 lecturas

Explorar

Cursos

Este curso incluye

21 h 16 min de contenido
56 lecciones
Notebooks interactivos en tu navegador
Nivel Intermedio
Constancia al completar el curso
16 módulos con teoría aplicada y práctica constante
Notebooks ejecutables en el navegador, sin instalar nada
Ejercicios calificados con pistas graduadas y solución de referencia
Diagramas del flujo de datos y gráficas interactivas para explorar transformaciones
Tarjetas de repaso espaciado para fijar el vocabulario clave
Un proyecto final: pipeline de características completo sobre un caso real
Guía para llevar tu pipeline a tu propia máquina